**AVTok：用于整体音视频生成的统一一维Token化方法**

_AVTok: 1D Unified Tokenization for Holistic Audio-Video Generation_

> HuggingFace社区论文AVTok提出了一种新颖的统一Tokenizer，旨在解决音视频生成中模态表示差异大及计算资源消耗高的问题。该方法采用双流Transformer架构，将音视频对编码为紧凑的一维潜在表示，并通过分层训练策略克服异构信息不平衡。实验表明，AVTok在音视频重建及下游生成任务中表现优异，为构建统一的音视频多模态大模型提供了新方向。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-07-01 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.30811)